UNIVERSIDADE DE LISBOA
FACULDADE DE CIÊNCIAS
DEPARTAMENTO DE GEOLOGIA
Deteção remota e geoprocessamento automático
no estudo da evolução de margens estuarinas
(Estuário do Tejo)
Alexandra Isabel Neves Amorim
Dissertação
Mestrado em Geologia do Ambiente,
Riscos Geológicos e Ordenamento do Território
UNIVERSIDADE DE LISBOA
FACULDADE DE CIÊNCIAS
DEPARTAMENTO DE GEOLOGIA
Deteção remota e geoprocessamento automático
no estudo da evolução de margens estuarinas
(Estuário do Tejo)
Alexandra Isabel Neves Amorim
Dissertação orientada por Doutora Fátima Cristina Gomes Ponte Lira
e Doutora Maria da Conceição Pombo de Freitas
Mestrado em Geologia do Ambiente,
Riscos Geológicos e Ordenamento do Território
“If we lived on a planet where nothing ever changed, there would be little to do. There would be nothing to figure out. There would be no impetus for science. And if we lived in an unpredictable world, where things changed in random or very complex ways, we would not be able to figure things out. But we live in an in-between universe, where things change, but according to patterns, rules, or as we call them, laws of nature. (…) And so it becomes possible to figure things out. We can do science, and with it we can improve our lives."
Carl Sagan, In: Cosmos, 1980
“Man must rise above the Earth - to the top of the atmosphere and beyond - for only thus will he fully understand the World in which he lives.”
RESUMO
Pretendeu-se com este trabalho criar um método de avaliação da evolução das morfologias e da ocupação de zonas marginais no Estuário do Tejo a mesoescala temporal, usando diferentes imagens de satélite do programa de observação terrestre Landsat e utilizando técnicas de processamento e análise de imagem em suporte SIG (Esri® ArcMapTM 10.1). As imagens
Landsat compiladas (disponíveis gratuitamente em http://earthexplorer.usgs.gov/) abrangem o intervalo temporal de algumas décadas, suficientemente longo para o estudo da evolução deste tipo de elementos morfológicos, tendo sido selecionadas imagens das várias séries Landsat, entre as que combinam menor nebulosidade com menor altura de maré, de forma a exibirem a maior área possível de zona intertidal.
Para a área de teste, a Restinga do Alfeite, foram consideradas as principais classes de ocupação marginal local: “água”; “duna, praia e banco arenoso”, constituída por areia; “raso de maré externo e canais principais”, constituída por areia siltosa; “raso de maré interno”, constituída por silte argiloso; “sapal”, constituída por vegetação halófita em substrato vasoso orgânico; “vegetação dunar/ transição/ artificial”, constituída por áreas antropizadas (moinhos de maré e respetivas caldeiras, estradas, antigas secas de bacalhau, parques de estacionamento e equipamentos militares), árvores e vegetação herbácea dunar.
A atribuição das classes temáticas, definidas a priori aos diferentes níveis digitais (píxeis) da imagem, foi realizada usando o classificador estatístico assistido máxima verosimilhança, a partir do conhecimento prévio das assinaturas espectrais de cada classe de ocupação, definidas nas amostras de treino. O método foi validado por fotointerpretação de fotografia aérea, ortofotomapas e imagens Google EarthTM, utilizando-se ainda cartografia antiga e levantamento
topográfico com equipamento DGPS. Foram desenvolvidos modelos semiautomáticos com a ferramenta Model Builder, inserida no programa SIG utilizado, de forma a automatizar os diferentes processos, repetindo-os para as diferentes datas. A vetorização das diferentes classes permitiu definir a evolução de superfície de cada classe de ocupação, permitindo caracterizar qualitativa e quantitativamente a evolução da restinga e sua envolvente. A comparação entre as imagens classificadas permitiu identificar uma ligeira rotação do banco arenoso no sentido sinistrogiro e uma pequena redução da área ocupada pela classe "duna, praia e banco arenoso", havendo poucas modificações nas classes "sapal" e "vegetação dunar/ transição/ artificial".
A validação do modelo utilizado para a área de teste permitiu alargar o estudo a uma área mais abrangente, o estuário interior, aumentando-se também a quantidade de datas utilizadas na análise, embora com redução do número de classes, devido à maior complexidade do
processo de classificação numa área mais extensa e com maior variabilidade de elementos morfológicos.
Palavras-chave: deteção remota, geprocessamento automático, Landsat, Estuário do Tejo, Restinga do Alfeite.
ABSTRACT
The intention of this work was to create a method for assessing the evolution of marginal areas and its morphologies and occupation, in a mesoscale temporal perspective, using GIS supported image processing and analysis techniques (Esri 10.1 ArcMapTM ®) in different satellite images from the Landsat Earth-observation program. These images (available for free download at http://earthexplorer.usgs.gov/) cover some decades, long enough to study the evolution of such morphologic elements. Images were selected from several Landsat series, among the ones which combined lower cloudiness with lower tidal height, so as to exhibit the largest possible area of intertidal zone.
For the test area, the Alfeite spit, the main land cover classes of the estuary’s marginal zone were considered: “water”; “dune, beach and sandbanks” (sand); “external mudflat and main channels” (muddy sand); “internal mudflat” (mud); “salt-marsh” (halophytic vegetation on organic mud); “dune vegetation/ transition/ artificial” (anthropized areas like tidal mills and its reservoirs, roads, ancient cod drying plants, car parking or military equipment, trees and other dune vegetation).
The assignment of thematic classes, defined a priori to the image’s different digital levels (pixels), was performed using the statistical maximum likelihood supervised classifier, from the prior knowledge of the spectral signature of each occupation class, defined by the training samples. The method was validated by photo-interpretation on aerial photography, orthophotomaps and Google Earth™ images, complemented with ancient maps and DGPS topographic survey. The Model Builder tool, from the GIS software, allowed the development of models to automate the different processes and repeat them for different dates. Vectoring of different classes allowed the definition of the evolution of each occupation class, allowing qualitative and quantitative characterization of the sand spit and its surroundings’ evolution. Comparison of categorized images shows a slight counter clock rotation of the sandbank and a slight reduction of the “dune, beach and sandbanks” area, with few changes in the “salt-marsh” and “dune vegetation/ transition/ artificial” classes.
Validation of this model for the test area allowed the broadness of this study to a wider area (the inner estuary), broadening also the amount of dates compared. The number of classes was however reduced, due to the larger complexity of the classification process in a wider area, with greater variability of morphological elements.
Keywords: remote sensing, automatic geoprocessing, Landsat, Tagus Estuary, Alfeite sand spit.
AGRADECIMENTOS
Às duas orientadoras deste trabalho, Doutora Fátima Cristina Lira e Doutora Maria da Conceição Freitas, agradeço, em primeiro lugar, a flexibilidade demonstrada na adaptação do tema da tese à minha vontade, fundindo os dois temas inicialmente propostos. O apoio, o interesse e a disponibilidade de ambas para resolver os problemas que foram surgindo, aliados às suas sugestões e críticas, foram essenciais para o desenvolvimento e conclusão da dissertação.
À Alexandra Oliveira agradeço a amizade e o incentivo inicial para realizar esta tarefa, para além do apoio na campanha de levantamento topográfico, dos ensinamentos na utilização do equipamento DGPS e em muitas das questões técnicas que foram surgindo. O seu altruísmo inspirador, a sua sinceridade e a sua vontade de transmitir conhecimentos contribuíram de forma importante para o desenvolvimento deste trabalho (e não só).
À Anabela Cruces agradeço a longa amizade, o incentivo, as dicas profissionais e pessoais e a inspiração que tem sido pelo seu incansável esforço na divulgação da ciência, pela simpatia, pelo altruísmo e pela paixão que demonstra em tudo o que faz.
À Vera Lopes agradeço a amizade, a simpatia, a inspiração e o empréstimo de algumas toneladas e gigabytes de bibliografia.
À Tânia Ferreira agradeço o exemplo de força e perseverança demonstrados no culminar do seu doutoramento, cuja mistura de energia, cansaço, desespero e alegria me inspiraram e mostraram ser possível ultrapassar mesmo as maiores dificuldades.
À Sandra Pereira que, embora sem contribuição direta neste trabalho, me transmitiu, durante anos, grande parte dos procedimentos técnicos laboratoriais na área da sedimentologia, ensinando-me a importância do rigor e da honestidade científicos, agradeço, não só os ensinamentos, mas uma longa e muito especial amizade.
À Sandra Moreira agradeço as dicas bibliográficas e o apoio nas fotografias da campanha de levantamento DGPS. Ao Professor César Andrade agradeço o empréstimo de alguma bibliografia. À Doutora Paula Freire agradeço a cedência da LMPMAVE (linha de máxima preia mar de águas vivas equinociais), realizada no âmbito do Projeto MorFeed. Ao Professor Rui Taborda agradeço a inspiração que me transmitiu ao longo de todo o curso de mestrado, pelo seu entusiasmo contagiante, simpatia, boa disposição, otimismo e versatilidade, simplificando o complicado e complicando o simples.
Aos professores César Andrade e Conceição Freitas agradeço todos os conhecimentos científicos que me transmitiram durante os últimos 17 anos, como professores e/ou orientadores, no campo, no laboratório e no gabinete. A sua forte dedicação ao estudo das zonas costeiras, a sua incansável forma de trabalhar e o seu conhecimento profundo de várias matérias científicas continuam a servir de inspiração e motivação na minha carreira.
Por fim agradeço à minha família, que me apoiou mais do que todos e sem a qual tudo isto teria sido impossível. Aos meus pais, por me terem ensinado os valores do trabalho, da dedicação, da honestidade e do respeito e por continuarem, ao fim de tanto tempo, a ajudar-me em todas as situações solicitadas, com maior ou menor dificuldade. Ao Miguel, por respeitar a minha decisão de continuar a minha progressão académica, à custa de um maior esforço da sua parte e da família. Aos meus dois pestinhas, por serem lindos e porque, apesar de tudo, poderia ter sido bem pior.
ÍNDICE GERAL
RESUMO... v
ABSTRACT ... vii
AGRADECIMENTOS ... ix
ÍNDICE GERAL ... xi
ÍNDICE DE FIGURAS ...xiii
ÍNDICE DE TABELAS ... xviii
1. INTRODUÇÃO ... 1 1.1 MOTIVAÇÃO ... 1 1.2 OBJETIVOS ... 5 1.3 ESTRUTURA DA DISSERTAÇÃO ... 6 1.4 ESTADO DA ARTE ... 7 2. DETEÇÃO REMOTA... 9 2.1 DEFINIÇÃO ... 9 2.2 RADIAÇÃO ELETROMAGNÉTICA ... 10
2.3 SENSORES PARA DETEÇÃO REMOTA ... 12
2.3.1 Tipos de aplicação ... 12
2.3.2 Tipos de plataforma ... 13
2.3.3 Tipos de órbita (satélite) ... 13
2.3.4 Resolução temporal ... 14
2.3.5 Fonte de radiação ... 14
2.3.6 Resolução espacial ... 14
2.3.7 Resolução espectral ... 16
2.3.8 Resolução radiométrica ... 17
2.4 REFLETÂNCIA E ASSINATURA ESPECTRAL ... 17
2.4.1 Interação com a atmosfera ... 18
2.4.2 Interação com a água ... 19
2.5 IMAGENS DE SATÉLITE... 20 2.6 PROGRAMA LANDSAT ... 22 2.6.1 Landsat 1, 2 e 3 ... 23 2.6.2 Landsat 4 e 5 ... 24 2.6.3 Landsat 6 e 7 ... 24 2.6.4 Landsat 8 ... 26 2.6.5 Órbitas Landsat ... 28 2.6.6 Imagens Landsat ... 28
2.7 PROCESSAMENTO E ANÁLISE DE IMAGENS ... 30
2.7.1 Pré-processamento ... 31
2.7.2 Processamento ... 32
Classificação ... 32
2.7.3 Pós-processamento ... 34
Avaliação da precisão da classificação ... 34
Filtros ... 35
2.7.4 Interpretação e Análise ... 36
2.8 GEOPROCESSAMENTO AUTOMÁTICO ... 36
3. MARGENS ESTUARINAS ... 39
3.2 MARGEM ... 40 3.3 RASOS DE MARÉ ... 41 3.4 SAPAIS ... 43 3.5 PRAIAS ESTUARINAS ... 44 4. ENQUADRAMENTO ... 45 4.1 GEOGRAFIA ... 45 4.2 GEOMORFOLOGIA E BIOLOGIA ... 47 4.2.1 Rasos de maré ... 48 4.2.2 Praias estuarinas ... 49 4.2.3 Sapais ... 50
4.2.4 Restinga do Alfeite e Sapal de Corroios ... 51
4.1 GEOLOGIA,HIDRODINÂMICA,GÉNESE E EVOLUÇÃO ... 54
4.2 HISTÓRIA ... 56
4.2.1 Restinga do Alfeite ... 56
5. METODOLOGIA... 61
5.1 ÁREA DE TESTE (RESTINGA DO ALFEITE) ... 61
5.1.1 Delimitação da área de estudo ... 61
5.1.2 Calibração do modelo ... 62 Google EarthTM ... 62 Ortofotomapas ... 63 Fotografia aérea ... 64 Levantamento topográfico ... 64 Cartografia histórica ... 66
5.1.3 Escolha das imagens de satélite ... 69
5.1.4 Escolha das bandas espectrais ... 70
5.1.5 Pré-processamento das imagens ... 71
5.1.6 Processamento (Classificação) ... 75
5.1.7 Pós-processamento (Generalização) ... 78
5.1.8 Avaliação da precisão da classificação ... 79
5.2 ESTUÁRIO DO TEJO ... 83 5.2.1 Área de estudo ... 84 5.2.2 Imagens ... 85 5.2.3 Pré-processamento... 86 5.2.4 Processamento e pós-processamento ... 92 6. RESULTADOS ... 93 6.1 RESTINGA DO ALFEITE ... 93 6.2 ESTUÁRIO DO TEJO ... 98 7. ANÁLISE E DISCUSSÃO ... 101 7.1 RESTINGA DO ALFEITE ... 101 7.2 ESTUÁRIO DO TEJO ... 105 8. CONCLUSÕES ... 119 REFERÊNCIAS BIBLIOGRÁFICAS ... 121 ANEXOS ... 127
ÍNDICE DE FIGURAS
Figura 1.1. (a) Subida do nível médio do mar global registada entre 1901 e 2010 (IPCC, 2013); (b)
Projeções da subida do nível médio do mar global para o século XXI relativamente ao período
1986-2005 (adaptado de IPCC, 2013). ... 2
Figura 1.2. Altimetria da região do Estuário do Tejo relativamente ao nível médio do mar atual (Global Warming Art, 2014). ... 2
Figura 1.3. Tipificação da ocupação antrópica na orla estuarina (Freire et al., 2012). ... 3
Figura 1.4. Cartografia do intertidal do Estuário do Tejo (adaptado de Mendes et al., 2012). ... 4
Figura 1.5. Diagrama representativo das etapas e objetivos do trabalho. ... 5
Figura 1.6. Classificação assistida da costa no Estuário do Tejo para o ano 1995 (Correia, 2003). ... 8
Figura 1.7. Evolução do Banco emerso do Bugio (amarelo) para os anos de 1973 – 1999 (excerto de Lira e Taborda, 2013). ... 8
Figura 2.1. Elementos principais do processo de deteção remota (adaptado de Tindall, 2006)... 9
Figura 2.2. Campo eletromagnético (adaptado de Livescience, 2015). ... 10
Figura 2.3. Espectro eletromagnético (adaptado de NASA, 2015); valores do comprimento da luz visível retirados de USACE (2003). ... 11
Figura 2.4. Órbita geoestacionária e órbita quase-polar (adaptado de SEOS, 2015). ... 13
Figura 2.5. Campo de visão instantâneo (IFOV) definido pela amplitude da função de dispersão do ponto (PSF) (adaptado de Mather, 2004). ... 15
Figura 2.6. Tamanho relativo entre os píxeis de diferentes tipos de imagem de satélite (NASA, 2006b). 15 Figura 2.7. Curva de refletância de uma folha de árvore: (a) de modo contínuo; (b) do modo que seria captado pelo sensor Landsat ETM+ (adaptado de Mather, 2004). ... 16
Figura 2.8. Imagem Landsat ETM+ de 2000 (pancromática): (a) com dois e (b) com 256 níveis de quantização. ... 17
Figura 2.9. Diferentes assinaturas espectrais para diferentes materiais (adaptado de NASA, 1999). ... 18
Figura 2.10. Processos que atuam sobre a luz solar na gama visível do espectro eletromagnético numa área de águas pouco profundas (adaptado de Mather, 2004). ... 20
Figura 2.11. Natureza matricial das imagens de satélite: (a) representação para uma banda; (b) representação para as oito bandas Landsat 7 (NASA, 2006 a). ... 21
Figura 2.12. Diferentes combinações de bandas ETM+ fazendo realçar diferentes objetos das imagens: (a) bandas 321; (b) bandas 432; (c) bandas 752 (adaptado de NASA, 2006b). ... 21
Figura 2.13. Cronologia do Programa Landsat (Landsat Science, 2014). ... 22
Figura 2.14. (a) Satélite com os sensores Landsat 1 (Earth Observation Portal, 2015); (b) Esquema do sistema MSS e respetiva formação da imagem (Earth Observation Portal, 2015). ... 23
Figura 2.15. Esquema dos satélites Landsat 4 e Landsat 5 (adaptado de Earth Observation Portal, 2015). ... 24
Figura 2.16. Esquema do satélite Landsat 7 (Earth Observation Portal, 2015). ... 25
Figura 2.17. (a) Esquema do sistema SLC (NASA, 1999); (b) imagem Landsat 7 SLC-off de 11-3-2014. ... 25
Figura 2.18. Esquema do sensor OLI (Landsat Science, 2015). ... 26
Figura 2.20. Diferenças espectrais entre as bandas cobertas pelos diferentes sensores dos satélites
Landsat 7 e Landsat 8 (adaptado de Landsat Science, 2014). ... 27
Figura 2.21. Órbita polar do satélite Landsat: (a) esquema global (Mather, 2004); (b) esquema de passagens consecutivas (What-when-how, 2014). ... 28
Figura 2.22. Organização das linhas de varrimento e dos píxeis numa imagem TM Landsat (adaptado de Sabins, 2000). ... 29
Figura 2.23. Esquema da classificação assistida (adaptado de Chulalongkorn University, 2015). ... 33
Figura 2.24. Representação das classes radiométricas (1-5) com os limites a tracejado e o ponto P a atribuir a uma classe (adaptado de Liu e Mason, 2009). ... 34
Figura 2.25. Esquema de uma matriz de confusão. ... 35
Figura 2.26. Aplicação de um filtro do tipo “Majority” com utilização dos 8 píxeis contíguos e limite de substituição com base em metade dos píxeis (ArcGIS Resource Center). ... 36
Figura 3.1. Componentes principais da morfodinâmica dos sistemas costeiros (adaptado de Masselink et al., 2011). ... 39
Figura 3.2. Representação esquemática da linha da máxima preia-mar de águas vivas equinociais (LMPMAVE), do leito e da margem, de acordo com a Lei 54/2005 de 15 de novembro e o Decreto-lei 129/2008 de 21 de julho (Rilo et al., 2014). ... 41
Figura 3.3. Elementos principais constituintes das margens estuarinas e respetivas distribuições sedimentar e altimétrica (adaptado de Masselink et al., 2011). ... 42
Figura 4.1. Localização da área de estudo: (a) em Portugal Continental (imagem Landsat completa); (b) Estuário do Tejo (com localização das divisões entre troços); (c) Baía do Seixal e rios Coina e Judeu; (d) Restinga do Alfeite e Sapal de Corroios (composição das bandas 4,3,2 de imagem Landsat 8, em ArcMap 10.1TM). ... 46
Figura 4.2. (a) Vista para o canal do Rio Judeu, a partir da praia do Seixal, de SSW para NNE; (b) Localização e orientação da foto com indicação dos cais fluviais do Barreiro e do Seixal. ... 47
Figura 4.3. Modelo Digital de Terreno da restinga (Guerreiro, 2013b). ... 51
Figura 4.4. Distribuição dos sedimentos na Baía do Seixal (Freire, 2003). ... 53
Figura 4.5. Plantas mais comuns no Sapal de Corroios: (a) Halimione portulacoides; (b) Sarcocornia fruticosa; (c) Spartina maritima: aspeto geral à esquerda e pormenores à direita (Flora On, 2014). ... 53
Figura 4.6. Localização dos quatro moinhos de maré da Restinga do Alfeite (Raposo et al., 2013). ... 57
Figura 4.7. Moinhos de maré e respetivas caldeiras, de W para E: (a) e (e) Moinho do Galvão; (b) e (f) Moinho do Capitão; (c) e (g) Moinho da Passagem; (d) e (h) Moinho da Torre (imagens a a d: Google MapsTM 2013; foto e: MyGuide, 2014; fotos f a h: IGESPAR, 2014). ... 58
Figura 4.8. Representações antigas da Restinga do Alfeite: (a) 1874- Diário Illustrado, Nabais (1986), com localização da Quinta Real do Alfeite; (b) 1810-1811 - Mapa das Linhas de Torres Vedras (Linhas de Torres Vedras, 2014). ... 58
Figura 4.9. (a) Zona da antiga seca do bacalhau (Panoramio, 2014); (b) Aspeto dos materiais da estrada e da vegetação dunar arbórea. ... 59
Figura 4.10. Excerto da primeira página da Gazeta dos Caminhos de Ferro de 16-7-1903. ... 59
Figura 4.11. Antiga ponte sobre o Rio Judeu (Farol da nossa terra, 2015). ... 60
Figura 4.12. Arsenal do Alfeite: (a) Zona afetada; (b) Construção entre 1928 e 1937. ... 60
Figura 5.1. Polígono correspondente à área de estudo, ferramenta de corte (construída com a ferramenta Model Builder do ArcMap 10.1TM) e imagem cortada resultante. ... 62
Figura 5.2. Sequência de imagens do Google EarthTM para Agosto de 2002; Agosto de 2004; Março de 2007 e Julho de 2012. ... 63
Figura 5.3. Ortofotomapa de 2007. ... 63
Figura 5.5. Levantamento DGPS dos bancos de areia. Imagem base OLI compósita com as bandas 432
(cor verdadeira) de 10/10/2013... 65
Figura 5.6. Cartografia antiga com indicação da localização da Restinga do Alfeite no ano de 1634 (Atlas
de Pedro Teixeira, Barra y puerto de la ciudad de Lisboa, in Campo Arqueológico de Tavira, 2014). ... 66
Figura 5.7. (a) 1878, Plano Hydrographico do Porto de Lisboa (Biblioteca Nacional, levantado em
1845-1847); (b) 1862, Carta Chorographica dos Terrenos em Volta de Lisboa (Biblioteca Nacional). . 67
Figura 5.8. Georreferenciação (a) e vetorização (b) do Plano Hydrographico do Porto de Lisboa (Biblioteca
Nacional, levantado em 1845-1847) em ArcMap 10.1TM. ... 68
Figura 5.9. Comparação de duas imagens Landsat 8, uma com alguma nebulosidade e pouca superfície
intertidal visível (a) e outra com as condições necessárias para ser escolhida para este estudo (b) (EarthExplorer, 2014). ... 69
Figura 5.10. Esquema do modelo de pré-processamento para a imagem OLI de 2013, que pode
aplicar-se também às imagens de 1991 e 2001, alterando-aplicar-se as bandas 4, 5 e 6 para 3, 4 e 5... 71
Figura 5.11. Utilização das bandas OLI 4, 5, 6 e 7 (Landsat 8) para criação de uma imagem compósita,
com recurso à ferramenta Model Builder do ArcMap 10.1TM. ... 72
Figura 5.12. Utilização da Gap Mask disponibilizada pelo USGS para retirar das imagens SLC-off as linhas
resultantes da avaria no SLC. ... 73
Figura 5.13. Esquema do modelo de pré-processamento para as imagens SLC-off. ... 74 Figura 5.14. Classes escolhidas para o zonamento da restinga, sobre imagem Google EarthTM atual. ... 75
Figura 5.15. Amostras de treino para a imagem compósita de 2013 (OLI, bandas 4, 5, 6 e 7). ... 76 Figura 5.16. Classes geradas pelo classificador máxima verosimilhança para a imagem compósita de
2013. ... 77
Figura 5.17. Imagem resultante da aplicação tripla do filtro generalização na imagem classificada da Figura 5.16. ... 78 Figura 5.18. Modelo para as fases de processamento (classificação) e de pós-processamento
(generalização), construído com a ferramenta Model Builder do ArcMap 10.1TM. ... 79
Figura 5.19. (a) Ground truth sob a forma de polígonos vetorizados por fotointerpretação sobre a imagem
OLI Landsat de 2013 (banda 8); (b) Os mesmos polígonos, com exclusão de 15 metros nos seus limites (buffer). ... 80
Figura 5.20. Modelo criado para preparar as diferentes classes para a contagem dos píxeis na
determinação da precisão da classificação, com a classe “restinga” a representar a classe “vegetação dunar/transição/artificial”. ... 81
Figura 5.21. Classificações individuais resultantes da aplicação das máscaras de corte definidas pelo
ground truth e contagem de píxeis para cada classe. ... 82
Figura 5.22. Exemplo de edição dos limites para a área de estudo: (a) a vermelho, a LMPMAVE, que
excluiria algumas das estruturas importantes neste estudo; (b) a verde, o limite após aplicação do buffer de 50 metros e ajuste manual. ... 85
Figura 5.23. Modelo de pré-processamento inicial para o corte das imagens OLI (bandas 4567). ... 87 Figura 5.24. Modelo de pré-processamento para corte das imagens ETM+ SLC-off pelo limite do estuário,
com exclusão das linhas de erro, seguido da classificação inicial para excluir a área imersa e pela composição das imagens. ... 88
Figura 5.25. Imagem SLC-off de 2012 (banda 4). ... 88 Figura 5.26. Aplicação de um “stretch” na imagem cortada da banda 3 de 1991... 89 Figura 5.27. Refletâncias da água limpa a azul claro e da água turva a verde escuro (USGS Spectral
Viewer, In: USGS, 2014). ... 89
Figura 5.28. Imagem OLI de 2013 (banda 5), classificada de modo não assistido, para retirar as zonas
inundadas e criar duas classes: emersa e imersa. (a) imagem original; (b) imagem classificada; (c) polígonos emersos resultantes. ... 90
Figura 5.29. Modelo de pré-processamento para excluir as zonas imersas. ... 91 Figura 5.30. (a) Imagem compósita de 2013 com as amostras de treino para a zona emersa do estuário;
(b) imagem classificada generalizada do mesmo ano, com fundo de cor preta na zona imersa. . 92 Figura 6.1. Ficheiros de assinatura sobrepostos às imagens compósitas dos anos 2013, 2007, 2001 e
1991. ... 93
Figura 6.2. Imagens classificadas generalizadas em formato matricial para os anos 2013, 2007, 2001 e
1991. ... 94
Figura 6.3. Proporções de ocupação das diferentes classes em 1991, 2001, 2007 e 2013, após aplicação
do filtro generalização. ... 95
Figura 6.4. Sobreposição da classe “duna, praia e banco arenoso” em diferentes datas, desde 1845-47
até 2013. ... 96
Figura 6.5. Polígonos da classe “duna, praia e banco arenoso” de várias datas sobrepostos à imagem
compósita de 2013 (bandas OLI 432 - cor verdadeira) e quantificação das áreas respetivas. ... 97
Figura 6.6. Imagem compósita 2013, zona emersa com os polígonos de treino, imagem classificada,
imagem classificada generalizada e respetiva quantificação. ... 98
Figura 7.1. Zona dos bancos arenosos com o levantamento DGPS sobreposto às imagens: (a) compósita
432 de 2013 (com filtro Pan-sharpening); (b) compósita 4567 de 2013; (c) classificada de 2013;
(d) classificada de 2013 com triplo filtro generalização (Majority Filter). ... 102 Figura 7.2. Zona dos bancos arenosos com o levantamento topográfico de 2014 sobreposto às imagens:
(a) compósita 3457 de 1991; (b) classificada de 1991; (c) classificada de 1991 com triplo filtro
generalização. ... 102
Figura 7.3. Esquema evolutivo da zona dos bancos arenosos a leste da Restinga do Alfeite (adaptado de
Freire, 2003). ... 104
Figura 7.4. Sobreposição da classe “duna, praia e banco arenoso” em diferentes datas, sobre a imagem
de cor verdadeira (OLI 432) de 2013, com indicação do movimento de avanço da concavidade da praia. ... 105
Figura 7.5. Pormenor da classificação na imagem de 2013, com indicação da LMPMAVE (a vermelho) e
da LMPMAVE+50m (a azul): (a) imagem Google EarthTM de 11/03/2007; (b) imagem compósita Landsat 4567; (c) imagem classificada; imagem classificada com 3 filtros generalização. ... 106
Figura 7.6. Pormenor da classificação na imagem de 2013, com indicação da LMPMAVE (a vermelho) e
da LMPMAVE+50m (a azul): (a) imagem Google EarthTM de 08/07/2012; (b) imagem compósita Landsat 4567; (c) imagem classificada; (d) imagem classificada com 3 filtros generalização. .. 107
Figura 7.7. Imagens classificadas generalizadas dos anos 1984 e 1997 e respetivos valores absolutos e
relativos de ocupação do solo. ... 108
Figura 7.8. Imagens classificadas generalizadas dos anos 1984 e 2003 e respetivos valores de ocupação
do solo. ... 110
Figura 7.9. Evolução da zona do raso areno-vasoso a norte da Restinga do Alfeite, entre 1984 e 2003
(imagens compósitas com as bandas 3457 em cima e imagens classificadas generalizadas em baixo). ... 110
Figura 7.10. Evolução da zona do Sapal de Corroios entre 1984, 2003 e 2013 (imagens compósitas com
as bandas 3457). ... 111
Figura 7.11. Evolução na zona do Canal do Montijo entre 1984 e 2003 (imagens compósitas com as
bandas 3457 e imagens classificadas generalizadas). ... 111
Figura 7.12. Evolução na zona do Sapal de Pancas entre 1984 e 2003 (imagens compósitas com as
bandas 3457 e imagens classificadas generalizadas), com representação do limite do sapal de 1984 na imagem classificada de 2003. ... 112
Figura 7.13. Imagem compósita de 2003 (bandas 3457) com sobreposição da linha de delimitação do
sapal de 1984. ... 112
Figura 7.14. Imagens classificadas generalizadas dos anos 1991 e 2000 e respetivos valores de ocupação
Figura 7.15. Imagens classificadas generalizadas dos anos 1978 e 2008 e respetivos valores de ocupação
do solo. ... 114
Figura 7.16. Evolução na zona do Sapal de Pancas entre 1978 e 2008: imagem compósita de 2008 com
as bandas 3457, com representação do limite do sapal de 1978. ... 114
Figura 7.17. Representação da classe “sapal” sob a forma de polígonos. ... 115
Figura 7.18. Contornos da classe sapal para todos os anos analisados, com pormenores nas zonas do
Mouchão da Póvoa (a), do Sapal de Pancas (b), da Base Aérea do Montijo (c) e do Sapal de Corroios (d)... 116
ÍNDICE DE TABELAS
Tabela 5.1. Imagens selecionadas e respetivas características. ... 70
Tabela 5.2. Matriz de confusão para avaliar a precisão do método de classificação. ... 83
Tabela 5.3. Imagens selecionadas e respetivas características. ... 86
Tabela 5.4. Bandas utilizadas na composição das imagens. ... 91
Tabela 6.1. Proporções de áreas ocupadas pelas diferentes classes, antes e após aplicação do filtro generalização. ... 95
Tabela 6.2. Resultados quantitativos de ocupação para todas as datas analisadas. ... 99
1. INTRODUÇÃO
1.1
M
OTIVAÇÃOA importância económica, social e ecológica das zonas costeiras, sobejamente reconhecida, reflete-se na forte pressão exercida sobre elas, com mais de metade da população mundial a viver a menos de 100 km de distância da costa (Coastal Care, 2014). O espaço reclamado e antropizado de forma não controlada ao longo dos últimos séculos, sob pressão urbana, industrial, portuária, turística e agrícola, tem colocado em risco o equilíbrio natural do sistema litoral, nomeadamente os domínios biológico e geológico. A artificialização das margens diminui a capacidade de migração dos diferentes ambientes como medida de adaptação a agentes forçadores naturais, impedindo o restabelecimento do equilíbrio natural por parte do sistema.
Aliadas à pressão antrópica, surgem as alterações climáticas, com a consequente
aceleração da subida do nível médio do mar (NMM) e a possibilidade de uma maior frequência de eventos climáticos extremos, aumentando a vulnerabilidade das zonas costeiras e estuarinas. De acordo com o mais recente relatório do IPCC (Intergovernmental Panel on Climate Change), as recentes alterações climáticas provocaram impactos nos sistemas natural e humano, aumentando as temperaturas atmosférica e oceânica, diminuindo as quantidades de neve e gelo e provocando a subida do NMM (IPCC, 2014). O mesmo Painel refere que o intervalo entre 1983 e 2012 terá sido o período mais quente dos últimos 1400 anos no hemisfério norte e que a temperatura superficial global combinada de continentes e oceanos terá aumentado 0,85 °C entre os anos 1880 e 2012. Também se conclui, neste quinto relatório, (AR5) que a precipitação aumentou nas zonas de latitudes médias do hemisfério norte desde 1901 e que as águas mais salinas terão aumentado a sua salinidade e as menos salinas terão diminuído este teor. Relativamente ao NMM global, conclui-se que subiu entre 17 e 21 cm entre 1901 e 2010 (Figura 1.1.a), com uma taxa de subida, desde meados do século XIX, superior à taxa média verificada durante os dois milénios precedentes. As projeções do mesmo Painel para a subida do NMM em 2100, relativamente ao período de referência de 1986-2005, apontam para um valor entre 52 e 98 cm, para o cenário RCP8.5 (Figura 1.1.b). O mesmo relatório refere alterações na frequência e tipo de eventos extremos desde 1950, com ênfase no aumento de eventos extremos relacionados com temperaturas quentes, aumento de níveis extremamente elevados do mar e aumento de episódios de precipitação extrema em certas regiões, prevendo-se que cerca de 70 % das linhas de costa mundiais venham a sofrer os efeitos de oscilações de ±20 % relativamente ao NMM global.
Figura 1.1. (a) Subida do nível médio do mar global registada entre 1901 e 2010 (IPCC, 2013); (b) Projeções da
subida do nível médio do mar global para o século XXI relativamente ao período 1986-2005 (adaptado de IPCC, 2013).
Paralelamente ao IPCC, diversas entidades têm contribuído para a avaliação e divulgação dos efeitos das alterações climáticas e
variações do NMM, entre elas o website Global Warming Art, que na sua página Sea Level Rise Explorer mostra um mapa global, de resolução razoável (90 m), que representa o grau de vulnerabilidade das regiões costeiras à subida do NMM. O caso particular do Estuário do Tejo apresenta-se como uma zona bastante vulnerável, com a maior parte da sua superfície abaixo dos 12 metros relativamente ao NMM (Figura 1.2).
Figura 1.2. Altimetria da região do Estuário do Tejo relativamente
ao nível médio do mar atual (Global Warming Art, 2014).
Os estuários representam excelentes casos de estudo na temática das alterações climáticas, por serem ambientes de transição muito vulneráveis, devido à interação entre os fatores físicos, químicos, biológicos e antrópicos a que estão sujeitos, aliada à sua importância socioeconómica e interesse ecológico. Em particular, as praias e restingas estuarinas (e, consequentemente, os elementos morfológicos que delas dependem, como os sapais e os rasos de maré), resultantes da acumulação de sedimentos arenosos sob ação de ondas de geração
a
b
variação global do NMM
variação global do NMM
local e correntes de maré, são particularmente sensíveis às pequenas modificações ambientais, como sejam a subida do nível médio do mar ou a alteração das suas fontes sedimentares.
O Estuário do Tejo é um bom exemplo de todas estas características, por albergar nas suas margens, por um lado, a capital do país e seus arredores (com todas as infraestruturas e pressões associadas ao seu funcionamento) e, por outro, a mais importante e extensa zona húmida do país, considerada uma das dez mais importantes da Europa (Evoa, 2015), pelos seus habitats naturais, que permitem albergar uma grande diversidade de espécies de aves migradoras e residentes.
No caso particular do Estuário do Tejo, a perigosidade de fenómenos de inundação nas margens surge associada à combinação dos efeitos da subida do NMM com momentos de marés vivas (preia-mares mais elevados) e com o efeito de ressonância, que faz crescer a amplitude da maré no interior do estuário, e que será fortalecido pela subida do NMM (Guerreiro et al., 2013). A estes podem acrescentar-se os eventos de storm surge, definidos como a sobre-elevação do nível do mar resultante de condições atmosféricas anómalas, medida pela diferença entre o nível observado e a altura da maré astronómica prevista, que pode atingir dimensões métricas na costa portuguesa (Taborda e Dias, 1992), sofrendo atenuação no interior do estuário devido ao alargamento da secção. O aumento da frequência destes fenómenos terá, entre outros, o efeito de salinização dos terrenos férteis nas regiões agrícolas, na zona montante do estuário.
O risco associado a estes fenómenos acresce da natureza muito antropizada de grande parte das margens do estuário, com 58% destas ocupadas por espaços urbanos, industriais, portuários e aeroportuários e 35 % ocupadas por espaços agrícolas (Freire et al., 2012), perfazendo um total antropizado de 93 % do total do perímetro marginal (Figura 1.3), deixando apenas 7 % de áreas naturais ou verdes.
Figura 1.3. Tipificação da ocupação antrópica na orla estuarina (Freire
Saliente-se a existência de alguma extensão da margem ocupada por infraestruturas industriais e antigos estaleiros, alguns deles abandonados, ocupados por materiais tóxicos que serão adicionados ao leito do estuário em caso de inundação.
Cerca de 43 % da superfície total do estuário (Figura 1.4) é ocupada por zonas intertidais (Mendes et al., 2012). O desaparecimento ou redução das zonas de sapal e raso de maré, que funcionam como dissipadores da energia das ondas e das marés, poderá também contribuir para aumentar o risco de inundação nas margens do estuário.
Figura 1.4. Cartografia do intertidal do Estuário do Tejo (adaptado de Mendes et al., 2012).
A elevada e complexa dinâmica associada aos ambientes de transição, o seu reconhecido valor ambiental e a sua importância socioeconómica, exigem sistemas de monitorização da evolução dos diferentes suportes morfológicos e sedimentares sob influência dos agentes forçadores.
A democratização da informação geográfica, em particular a disponibilização de forma gratuita na Internet de imagens de satélite de grande resolução, tem permitido usar a deteção remota como uma ferramenta de análise da evolução das zonas costeiras e estuarinas, contribuindo para estudos de projeção do seu comportamento futuro, imprescindível nas ferramentas de planeamento e gestão. Numa perspetiva de conhecimento do passado para projetar o futuro, o uso destas ferramentas permitirá melhorar o conhecimento do sistema costeiro.
Superfície total Subtidal
1.2
O
BJETIVOSPretende-se com este trabalho analisar a evolução morfológica das margens naturais do Estuário do Tejo à escala das décadas (mesoescala), desenvolvendo modelos semi-automáticos de pré-processamento e classificação de imagens de satélite Landsat. Partindo de uma metodologia desenvolvida, testada e validada na área de teste, a Restinga do Alfeite, alargar-se-á posteriormente a alargar-se-área geogralargar-se-áfica a todo o estualargar-se-ário interior, com ênfase na margem sul, adensando-se e estendendo-se também o intervalo temporal.
Para apoiar a classificação, será feita fotointerpretação sobre imagens Google EarthTM,
ortofotomapas e fotografias aéreas georreferenciadas, para além de dados obtidos através de levantamento DGPS, que auxiliarão na delimitação de diferentes classes. Paralelamente, será utilizada cartografia antiga georreferenciada para observar alterações morfológicas anteriores às da cobertura Landsat.
Os resultados da análise obtida e os modelos desenvolvidos poderão ser, no final, publicados em plataforma de partilha de informação geográfica, como por exemplo o ArcGIS Online (Figura 1.5).
1.3
E
STRUTURA DA DISSERTAÇÃOEste trabalho apresenta, no seu primeiro capítulo, uma introdução focada essencialmente nos motivos da escolha deste tema e desta região, com ênfase na questão das consequências da subida do nível médio do mar, seguida de uma breve síntese dos objetivos do estudo e do estado da arte.
O segundo capítulo faz uma introdução teórica aos fundamentos da Deteção Remota, uma descrição geral do programa Landsat e um resumo das técnicas de geoprocessamento automático utilizadas geralmente em análise de imagens de satélite.
Segue-se, no terceiro capítulo, uma breve caracterização das diferentes morfologias habitualmente presentes em margens estuarinas.
O quarto capítulo descreve de modo geral as características geográficas, geomorfológicas, biológicas, geológicas, hidrodinâmicas, genéticas, evolutivas e históricas do Estuário do Tejo e, em mais pormenor, da Restinga do Alfeite (que funcionou como área de teste, ou área piloto), obtidas essencialmente através de consulta bibliográfica de vários trabalhos realizados nesta área de estudo.
No quinto capítulo são descritas as diferentes metodologias utilizadas, começando pela definição da área de teste, a Restinga do Alfeite, com referência aos elementos auxiliares utilizados na definição das várias classes de ocupação, às diversas opções tomadas e ao pré-processamento. Descreve-se o método de classificação e o pós-processamento das imagens, incluindo o método de validação do modelo de classificação. Apresentam-se os modelos criados para aplicação dos métodos à área de teste e, por fim, são aplicados os mesmos modelos a toda a área do estuário interior do Tejo e a um intervalo temporal mais alargado.
No sexto capítulo são apresentados os resultados obtidos para a Restinga do Alfeite e o Estuário do Tejo, seguidos da sua análise e discussão no capítulo 7 e das conclusões finais, no oitavo capítulo.
Nos anexos listam-se as características das imagens utilizadas, as imagens classificadas para todas as datas analisadas e os resultados quantitativos das classificações.
A redação do texto respeita as normas do Novo Acordo Ortográfico, com consulta do conversor da página Web da Porto Editora ( http://www.portoeditora.pt/acordo-ortografico/conversor-texto/). As referências bibliográficas respeitam a norma portuguesa NP 405, harmonizada com a norma internacional ISO 690 (Instituto da Educação, 2012 e Universidade de Aveiro, 2015). Os produtos finais (ficheiros de imagem Esri ArcMapTM de formato
1.4
E
STADO DA ARTEGrande quantidade de trabalhos foram já realizados na área da deteção remota e da automatização de procedimentos em Sistemas de Informação Geográfica aplicados à ocupação e uso dos solos e ao estudo evolutivo de sistemas espácio-temporais constituídos por elementos morfológicos naturais:
Ryu et al. (2002) descreveram uma metodologia para extração da linha de água em zonas extensas de rasos de maré, referindo a dificuldade do classificador na distinção entre refletâncias semelhantes, devido à grande quantidade de água existente, não só nos próprios sedimentos do raso, mas também retida nas cavas das marcas de corrente durante a vazante;
Pinto (2008) classificou imagens de satélite do sensor IRS P6/ LISS III pelo algoritmo da máxima verosimilhança, para derivar um mapa de uso do solo para 2006 com 6 classes, com o objetivo de simular o crescimento urbano no trecho entre Ovar e Mira, na zona de Aveiro;
A evolução da ocupação e uso do solo em zonas húmidas associadas à Lagoa Negombono, no Sri Lanka, foi estudada por Rebelo et al. (2009), no âmbito do inventário Ramsar de zonas húmidas, utilizando métodos de classificação assistida pelo método da máxima verosimilhança em imagens Landsat TM de 1992 e 2002. A classificação resulta em ambiguidades entre a classe “arbustos” e as classes “pântano” e “áreas húmidas”;
Oliveira (2009) caracterizou e monitorizou as classes de uso do solo na costa sul da Ilha de S. Miguel (Açores) com recurso a imagens de satélite.
Klemas (2011) utiliza métodos de classificação assistidos e não assistidos em imagens ETM+ (Landsat 7) no mapeamento de uso de solos em Chesapeake Bay, com o objetivo de analisar a evolução de vegetação e hidrologia em zonas húmidas;
No caso específico de aplicação de técnicas de deteção remota e geoprocessamento no estudo espácio-temporal do Estuário do Tejo também já foram realizados estudos, embora de menor cobertura temporal e/ou espacial do que no presente trabalho:
Freire (2003) estudou a evolução do Estuário do Tejo à micro e à mesoescala, recorrendo principalmente a análise sedimentológica e a modelos numéricos, mas com uma componente de comparação cartográfica e fotográfica. Este trabalho e os respetivos resultados serão referidos por diversas vezes na presente dissertação;
Correia (2003) utilizou técnicas de classificação assistida para monitorizar a evolução do uso do solo no Estuário do Tejo, para os anos 1958, 1985 e 1995, com recurso a fotografia aérea e imagens de satélite (Figura 1.6);
Figura 1.6. Classificação assistida da costa no Estuário do Tejo para o ano 1995 (Correia, 2003).
Mendes et al. (2012) no projeto Morfeed realizaram a cartografia do intertidal utilizando deteção remota sobre ortofotomapas e uma imagem Landsat, para tipificação da cartografia de habitats do Estuário do Tejo, quantificando as diferentes ocupações para o ano de 2009 (Figura 1.4);
Lira e Taborda (2013) analisaram a evolução do Banco de Areia emerso do Bugio, na embocadura do rio Tejo, com recurso a imagens Landsat das décadas de 70, 80, 90 do século XX e da primeira década do século XXI, por extração da linha de costa definida pela interface terra-água, usando uma metodologia de diferença entre bandas (Figura 1.7).
Figura 1.7. Evolução do Banco emerso do Bugio (amarelo) para os anos de 1973 – 1999 (excerto de Lira e Taborda,
2. DETEÇÃO REMOTA
2.1
D
EFINIÇÃOA interação entre a radiação eletromagnética e os diferentes objetos ou materiais à superfície da Terra depende de variados fatores, internos ou externos a esses objetos, que determinam a resposta dos mesmos a essa radiação.
A deteção remota define-se geralmente como um conjunto de técnicas de aquisição, processamento e análise de imagens da superfície do planeta, captadas por sistemas de satélite ou meios aéreos (USACE, 2003). As imagens possuem informação captada sob a forma de energia ou radiação eletromagnética refletida ou emitida pela superfície terrestre ou pelos objetos nela existentes, codificada por sensores que detetam variações naquela radiação, em diferentes zonas do espectro eletromagnético (Figura 2.1).
Figura 2.1. Elementos principais do processo de deteção remota (adaptado de Tindall, 2006). 1. Fonte de iluminação 2. Radiação
3. Interação com o objeto 4. Registo/ gravação 5. Transmissão
6. Receção e processamento 7. Interpretação/ análise/ aplicação
2.2
R
ADIAÇÃO ELETROMAGNÉTICA A radiação eletromagnética consiste na combinação de dois campos, elétrico e magnético, que se comportam como ondas, propagando-se perpendicularmente entre si e relativamente à direção do movimento geral do campo eletro-magnético (Figura 2.2).Figura 2.2. Campo eletromagnético (adaptado de
Livescience, 2015).
Todos os objetos cuja temperatura seja superior ao zero absoluto, ou seja, -273 °C, emitem radiação, que viaja à velocidade da luz, ou seja, aproximadamente 3x108 metros por segundo no
vácuo, sendo inferior em meios como a atmosfera ou a água, devido ao índice de refração destes (Mather, 2004). O conjunto de todas as ondas eletromagnéticas designa-se por espectro eletromagnético (Figura 2.3) e inclui comprimentos de onda (distância entre os picos de duas ondas consecutivas) desde os raios gama, na ordem dos 10-13 metros, às ondas de rádio, na
ordem dos 100 metros, sendo que a luz detetada pelo olho humano abrange apenas os comprimentos entre 0,39 m (violeta) e 0,78 m (vermelho). Para maiores comprimentos de onda verificam-se menores frequências, representadas por ciclos por segundo ou por hertz, que definem o tipo de interação com os diferentes objetos ou elementos à superfície do planeta.
A radiação eletromagnética proveniente do Sol, ao chegar ao nosso planeta, é parcialmente absorvida pela atmosfera (cerca de 17% da radiação) e pelos materiais à superfície da Terra (cerca de 47% da radiação), sendo os restantes 35% refletidos pela superfície da Terra, pela atmosfera e pelas nuvens (Mather, 2004). Estes valores são médias, estando a quantidade e o tipo de radiação solar que atinge a superfície do planeta dependentes das condições atmosféricas e do comprimento de onda analisado. A interação entre a atmosfera e a radiação eletromagnética resulta do caráter corpuscular desta, que, funcionando como um feixe de partículas (fotões), sofre absorção por parte dos átomos e moléculas constituintes da atmosfera (Mather, 2004). A absorção de certas gamas de comprimentos de onda do espectro por parte da atmosfera funciona como filtro para a maior parte das radiações nocivas (principalmente das mais curtas, como os raios gama, os raios X e os ultravioletas), permitindo a existência de vida na Terra.
campo elétrico
Figura 2.3. Espectro eletromagnético (adaptado de NASA, 2015); valores do comprimento da luz visível retirados de
USACE (2003).
A interação entre a luz solar e os objetos à superfície da Terra depende, não só das características da luz ao atingir os objetos, mas também da natureza dos mesmos, podendo ter diferentes comportamentos: a luz pode transmitir-se através deles (sendo refratada pelos mesmos); pode ser absorvida (sendo seguidamente emitida sob a forma de calor); pode sofrer dispersão (sendo arbitrária a direção de propagação da energia) e pode ser refletida, sendo a cor do objeto dependente do comprimento de onda refletido (NASA, 1999). O mesmo objeto pode refletir, refratar, absorver e emitir energia em simultâneo, em diferentes proporções.
A maior parte da radiação emitida ou refletida pelos objetos não é detetada pelo olho humano (Figura 2.3), podendo no entanto ser registada por sensores específicos para cada intervalo do espectro eletromagnético. As radiações de comprimento ligeiramente superior ao da cor vermelha visível (entre os 0,7 e os 3 m), designadas por infravermelhas próximas (NIR – near infrared ou SWIR – short-wavelength infrared), comportam-se como a luz visível, sendo igualmente refletidas pelos objetos e consideradas bandas óticas (Mather, 2004). As radiações
ondas de rádio m icro -ondas radiação ultravioleta RX raios gama radiação infravermelha comprimento de onda
infravermelhas entre os 3 m e os 100 m comportam-se como calor, sendo consideradas bandas infravermelhas térmicas, que por serem parcialmente absorvidas pela atmosfera, permitem o seu aquecimento (efeito de estufa) e, consequentemente, a existência de vida na Terra (Mather, 2004). Radiações acima deste comprimento (entre 1 mm e 3 m) designam-se por micro-ondas e no intervalo entre 3 e 25 cm têm a capacidade de atravessar as nuvens (Mather, 2004). No extremo oposto do espectro, com menores comprimentos de onda, situam-se as radiações ultravioleta, os raios X e os raios gama, com maiores níveis energéticos e comportamento mais associado ao das partículas do que ao das ondas, mais afetado pelos afeitos atmosféricos de absorção e dispersão, não sendo por isso nenhum destes intervalos utilizado para deteção remota por satélite (Mather, 2004).
2.3
S
ENSORES PARA DETEÇÃO REMOTAA deteção remota iniciou-se aquando das primeiras fotografias aéreas, captadas em balão perto de Paris em 1858 pelo fotógrafo francês Gaspard Tournachon (Klemas, 2009). Ter-se-á desenvolvido depois, principalmente para fins militares, associada a outros tipos de plataforma (essencialmente aviões), com câmaras mais sofisticadas e registando também bandas do infravermelho. O desenvolvimento da fotografia digital terá representado um grande avanço nas técnicas de captação de imagens à distância, que ganharam precisão e rapidez no envio e processamento, cobrindo maiores intervalos do espectro eletromagnético. A partir dos anos 60 do século XX surgiram os satélites equipados com sistemas de sensores eletro-óticos, aumentando os tipos de utilização da deteção remota a muitas outras áreas, para além da militar, entre elas a agricultura, a silvicultura, a deteção de incêndios, o planeamento do uso dos solos, o mapeamento de zonas húmidas, a meteorologia e a oceanografia.
Existe atualmente um grande número de tipos de sensores para utilização em deteção remota, adaptados a diferentes finalidades, podendo ser classificados essencialmente pelos tipos de aplicação e de radiação utilizada e pelo caráter ativo/passivo do sensor (Klemas, 2009), sendo também distinguidos pelo tipo de plataforma de suporte, pelo tipo de órbita (no caso dos satélites) e pelo tipo de resolução (espacial, espectral, temporal e radiométrica).
2.3.1 Tipos de aplicação
Em termos de tipo de aplicação, a maioria dos sensores regista e produz imagens bidimensionais, que podem ser utilizadas para cartografia e produção de mapas, pelo que se
designam, em inglês, por “imagers” ou “mappers”. Incluem-se neste grupo as fotografias analógicas e digitais, as matrizes multiespectrais (imagens de satélite) e alguns tipos de Radar (SAR - Synthetic Aperture Radar - e SLAR – Sidelooking Airborne Radar) (Klemas, 2009). Em outras aplicações incluem-se os radiómetros, que medem a energia radiante; os espectrómetros, que medem a distribuição energética no espectro de forma contínua; ou os “profilers”, que medem distâncias aos objetos, permitindo recolher informação topográfica ou batimétrica (caso dos radares ou do LIDAR) (Klemas, 2009).
2.3.2 Tipos de plataforma
Os sensores para deteção remota, inicialmente desenvolvidos para fins militares, foram evoluindo para outros fins, e para instalação em diferentes tipos de plataforma, podendo atualmente estar fixos ao solo (caso das câmaras digitais de monitorização de ondas), transportados em aeronaves ou balões (câmaras para produção de fotografias aéreas), ou em órbita em torno do planeta, a bordo de satélites artificiais. Estes últimos permitem a cobertura repetitiva e cíclica da superfície terrestre, navegando em vários tipos de órbita, consoante o fim a que se destinam as imagens captadas.
2.3.3 Tipos de órbita (satélite)
Os sensores montados em satélites com órbitas geoestacionárias, a altitudes aproximadamente de 36000 km e com velocidades que lhes permitem manter a mesma posição relativamente à superfície do planeta, recolhem continuamente informação em áreas específicas de grandes dimensões (exemplo dos satélites meteorológicos). Quando montados em órbitas quase-polares (planos ligeiramente inclinados relativamente ao eixo da Terra), síncronas solares, que permitem cobrir a maior parte da superfície terrestre (à exceção das zonas junto aos polos), passam no mesmo local a intervalos constantes
(que definem a sua resolução temporal), aproximadamente à mesma hora do dia (mantendo, desta forma, o mesmo ângulo de incidência da fonte de luz relativamente aos objetos), cobrindo menores extensões por imagem do que os geoestacionários, mas permitindo captar maior detalhe (Figura 2.4).
Figura 2.4. Órbita geoestacionária e órbita
quase-polar (adaptado de SEOS, 2015).
órbita síncrona solar (ex. Landsat)
órbita geoestacionária (ex. MODIS)
2.3.4 Resolução temporal
O tipo de plataforma que sustenta o sensor condiciona a sua resolução temporal, sendo esta definida pela frequência de captação das imagens consecutivas no mesmo local. Sensores montados em estruturas fixas que captam imagens de vídeo para monitorizar praias ou ondas têm resolução temporal na ordem dos segundos, muito superior à dos sensores em órbita, em satélites, que captam imagens com espaçamento de alguma horas ou mesmo semanas para o mesmo local. Adicionalmente a resolução temporal diz respeito à cobertura temporal do programa de aquisição, ou seja, o intervalo entre o início e o fim do período de cobertura.
2.3.5 Fonte de radiação
Os sensores podem classificar-se como passivos ou ativos, consoante a fonte de radiação seja natural (geralmente a luz do Sol) ou artificial (emitida pelo sensor). No primeiro caso incluem-se os incluem-sensores óticos, que captam a radiação refletida pelos objetos, nos intervalos do visível e do infravermelho próximo do espectro eletromagnético (de que são exemplo as fotografias aéreas ou as imagens Landsat), ou a informação térmica emitida pelos mesmos, no intervalo infravermelho (esta última permitindo adquirir dados noturnos). Incluem-se também neste caso os sensores de micro-ondas que registam este tipo de radiação naturalmente presente nos objetos. No segundo caso, os sensores ativos, incluem-se os que emitem e recebem as radiações de micro-ondas, de que são exemplo os sensores de RADAR (RAdio Detection And Ranging), SAR (Synthetic Apperture Radar) ou LIDAR (Light Detecting And Ranging).
2.3.6 Resolução espacial
De forma simplificada e puramente geométrica, a resolução espacial obtida por um sensor refere-se à quantificação da superfície terrestre que é representada por cada célula ou píxel da imagem, designada por IFOV (instantaneous field of view, ou campo de visão instantâneo), que está diretamente relacionada com a distância da plataforma à superfície observada (sensores mais distantes captam imagens de maiores dimensões, embora menos detalhadas). No entanto, sendo esta distância ligeiramente variável, originam-se variações no IFOV e, consequentemente, na resolução espacial das imagens obtidas (no caso dos sensores Landsat 1-3, a distância do satélite pode variar entre 880 e 940 km de altitude na sua órbita polar, fazendo variar o IFOV entre 76 e 81 m (Mather, 2004)).
Outra forma de definir a resolução espacial baseia-se no poder de resolução do sensor, ou seja, na sua capacidade de distinguir dois pontos distintos no seu campo de visão, o que significa que a resolução espacial não depende apenas da distância da plataforma ao objeto, sendo uma característica do próprio sensor. O poder de resolução depende também do brilho relativo entre objetos distintos na imagem, resultante das propriedades óticas envolvidas na criação da imagem, sendo que o brilho de cada píxel depende de uma distribuição do tipo Gaussiano da intensidade do brilho dos objetos (designada por PSF, ou point spread function, ou seja, função de distribuição do ponto), não se baseando apenas na média das intensidades de todos os objetos incluídos nesse píxel (Figura 2.5). A amplitude da PSF aumenta para objetos mais claros presentes no campo de visão instantâneo do sensor, aumentando o brilho dessa área relativamente às áreas
envolventes, o que permite que objetos de elevado contraste mas de tamanho inferior à resolução sejam visíveis, e que objetos de maior dimensão mas de menor contraste não o sejam (Mather, 2004). A resolução espacial de 30 metros das imagens Landsat TM e ETM+ baseia-se nesta noção de resolução espacial, que inclui a PSF (Mather, 2004).
Figura 2.5. Campo de visão instantâneo (IFOV) definido pela amplitude da
função de dispersão do ponto (PSF) (adaptado de Mather, 2004).
Em termos gerais, a resolução espacial pode ser de ordem quilométrica (resolução espacial baixa, presente nos sensores adaptados a estudos globais ou continentais, geralmente de âmbito meteorológico ou oceanográfico, como o MODIS, transportado pelos satélites norte-americanos Terra e Aqua); da ordem das centenas ou dezenas de metros (resolução espacial média a alta, presente nos sensores norte-americanos Landsat e no europeu SPOT); sendo considerada muito alta quando inferior a 5 metros (resolução das imagens multiespectrais dos sensores Quickbird, Ikonos e GeoEye) (Figura 2.6).
Figura 2.6. Tamanho relativo entre os
píxeis de diferentes tipos de imagem de satélite (NASA, 2006b). sensor
sistema ótico
2.3.7 Resolução espectral
A resolução espectral refere-se à capacidade do sensor de distinguir os diferentes intervalos de comprimento de onda do espectro eletromagnético (refletindo-se na quantidade de bandas que consegue registar), sendo tanto maior quanto menores forem os intervalos registados. Quantifica-se pelas larguras das bandas espectrais, medidas em micrómetros (m) ou nanómetros (nm).
Grande parte dos sensores que registam as gamas do visível e do infravermelho fazem-no sob a forma de multi-bandas, ou imagens multiespectrais, individuais, cada uma representando um intervalo espectral discreto. Classificam-se em monoespectrais ou pancromáticos, quando registam apenas uma banda; multiespectrais quando captam até 10 bandas; superespectrais se captam mais de 10 bandas e hiperespectrais quando apresentam mais de 100 bandas estreitas, permitindo maior distinção entre diferentes objetos, com base na sua resposta espectral, obtendo-se maior continuidade entre os diferentes comprimentos de onda. O exemplo da Figura 2.7 ilustra a diferença entre resolução espectral elevada (com dados quase contínuos) e resolução espectral baixa (broad-band), com os mesmos dados, mas apresentados em intervalos de banda discretos, aos quais escapam diferenças subtis nas refletâncias.
A posição no espectro eletromagnético e a largura e o número de bandas determinam o grau de discriminação dos diferentes objetos presentes numa imagem multiespectral, de forma que a utilização de imagens multiespectrais proporciona um maior grau de poder de discriminação dos objetos do que cada banda individual (Mather, 2004). No entanto, quanto maior a resolução espectral, menor a quantidade de brilho captada pelo sensor, para o mesmo nível de ruído de fundo, aumentando assim a relação entre ruído e força do sinal (Mather, 2004).
Figura 2.7. Curva de refletância de uma folha de árvore: (a) de modo contínuo; (b) do modo que seria captado pelo
sensor Landsat ETM+ (adaptado de Mather, 2004).
refletância (%)
comprimento de onda (m)
refletância (%)
comprimento de onda (m)
2.3.8 Resolução radiométrica
A resolução radiométrica descreve a capacidade do sensor de distinguir diferentes objetos no mesmo intervalo do espectro eletromagnético, sendo definida pelos níveis de quantização utilizados numa imagem uni-banda, ou seja, pela quantidade de níveis de cinzento apresentados, diretamente proporcional ao nível de detalhe obtido pelo sensor. Desta forma, um sensor que regista apenas dois níveis de intensidade obterá imagens a preto e branco, de muito baixa resolução radiométrica, enquanto um sensor que registe 256 níveis de cinzento obterá imagens com resolução razoável (Figura 2.8). O número de níveis é geralmente expresso num formato de base binária, cujo expoente representa o número de bits necessários para armazenar a informação, sendo que a imagem a preto e branco ocupa apenas um bit e a imagem com 256 níveis de quantização ocupa 8 bits e resulta do resultado do expoente 28.
Figura 2.8. Imagem Landsat ETM+ de 2000 (pancromática): (a) com dois e (b) com 256 níveis de quantização.
2.4
R
EFLETÂNCIA E ASSINATURA ESPECTRALA razão entre a energia refletida pelos objetos e a energia incidente neles designa-se por refletância e depende, principalmente, do intervalo do espectro eletromagnético analisado, ou seja, do comprimento de onda. Depende também do ângulo de incidência da luz (que depende da hora do dia e da estação do ano, no caso da luz solar), da natureza do corpo e das suas características físicas. Cada objeto ou material é único do ponto de vista espectral, possuindo o seu próprio padrão de refletância nas diferentes bandas do espectro eletromagnético, ou seja, a sua própria assinatura espectral, que pode variar ao longo do tempo, como é o caso da vegetação ao longo das estações do ano. Analisando as refletâncias de determinados elementos da superfície terrestre em diferentes intervalos do espectro eletromagnético obtém-se a assinatura espectral desses elementos, que permite distingui-los entre si (Figura 2.9).
Figura 2.9. Diferentes assinaturas espectrais para diferentes materiais (adaptado de NASA, 1999).
Os exemplos da Figura 2.9 mostram que a vegetação apresenta assinatura espectral muito diferente dos restantes materiais, com picos na zona do infravermelho próximo, resultantes do seu mecanismo de defesa que reflete a totalidade das ondas neste intervalo para evitar o sobreaquecimento das folhas. É possível distinguir entre diferentes espécies vegetais e até entre diferentes estádios evolutivos ou níveis de saúde recorrendo a técnicas de análise da assinatura espectral das plantas (dependendo da resolução espectral do sensor utilizado), que podem contribuir, indiretamente, para estudos geológicos, pois a vegetação varia consoante o tipo de substrato. É também possível analisar a presença de determinados minerais ou tipos de rocha numa região através das assinaturas espectrais dos elementos presentes nesses materiais. A humidade nos solos e a quantidade de matéria orgânica influenciam a sua capacidade de refletância (Mather, 2004).
2.4.1 Interação com a atmosfera
Os mecanismos de absorção atmosférica dependentes do comprimento de onda da radiação alteram a quantidade de luz solar que atinge a superfície do planeta (Mather, 2004), principalmente na gama dos menores comprimentos de onda, em que a dispersão da luz é maior, prejudicando a visibilidade das imagens de satélite (Drury, 1990). O problema da interação com a atmosfera é geralmente agravado no caso dos sensores de satélite, pelo facto de a luz ter de a atravessar duas vezes antes de chegar ao sensor, sofrendo duplamente os efeitos dessa interação. florestas pastagens areia água turva comprimento de onda (m) ref le tâ n ci a (%)
